亲宝软件园·资讯

展开

openCV入门学习基础教程第三篇

老师我作业忘带了 人气:0

前文复习:

openCV第一篇

openCV第二篇

一、Canny边缘检测

该边缘检测法步骤如下:

  1. 使用高斯滤波器,以平滑图像,滤除噪声。
  2. 计算图像中每个像素点的梯度强度和方向。
  3. 应用非极大值(Non-Maximum Suppression)抑制,以消除边缘检测带来的杂散响应。
  4. 应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。
  5. 通过抑制孤立的弱边缘最终完成边缘检测。

高斯滤波

我们要进行边缘检测过程中肯定要进行梯度计算,计算梯度时那些噪音点也会影响梯度的变化,因此进行去噪。

梯度和方向

使用sobel算子,进行梯度大小和方向的计算。

非极大值抑制 NMS

算完梯度后,有些可能大点,有些可能小点,在一个核中,把一些小的梯度值抑制掉,只保留大的,即明显的。

如人脸识别,能够把脸框起来(有多个框框到脸了,只保留最好的。)

法1:

蓝线表示方向,dTmp1和dTmp2都是亚像素点,g1g2g3g4都是知道的,可求dTmp1和dTmp2。 在c比dTmp1和dTmp2都大的情况下,保留c,否则就被抑制掉了。 

法2:

比如我们选择倾斜45°,就过了g1和g4了(上上图),就不用插值了。当前方向离哪个角度近就用选择哪个。

右图中如果A比BC都大,那么A就保存下来了。

双阈值

对一些所有可能边界进行过滤,只保留最真实的。

A点大于maxVal 就是边界 如果有小于minVale的,那就省略掉。

他俩之间的B C分别进行讨论,如果c和边界是连着的,就保留。B没连着,舍弃。

v1=cv2.Canny(img,80,150) 

80 150为下上阈值,一定范围内,下阈值越小,上阈值越小越容易被当作边缘。

img=cv2.imread("./data/gd06.jpg",cv2.IMREAD_GRAYSCALE)
 
v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
 
res = np.hstack((v1,v2))
cv_show('res',res)

img=cv2.imread("./data/gd05.jpg",cv2.IMREAD_GRAYSCALE)
 
v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100)
 
res = np.hstack((v1,v2))
cv_show('res',res)

二、 图像轮廓

上面说的是边缘,随便一个线段也能被检测成边缘。而轮廓是一个整体,正常是封闭的连在一起的。

2.1 轮廓收集

cv2.findContours(img,mode,method)

method:轮廓逼近方法

上图就是两种method,一个是整个框,一个是点,都能起到定位作用。

为了更高的准确率,我们选择使用二值图像:

img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 127为分割阈值,超过的部分取255
cv_show('thresh',thresh)

这里用到了cv2.threshold 是上一篇文章学的。

# contours轮廓信息  hierarchy层级
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

其返回值有两个:

2.2 轮廓绘制

res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)

参数为:图像,轮廓,轮廓索引(-1默认所有),颜色模式(BGR),线条厚度(不宜太大)

img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 127为分割阈值,超过的部分取255
 
# contours轮廓信息  hierarchy层级
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
 
#传入  图像,轮廓,轮廓索引(-1默认所有),颜色模式(BGR),线条厚度(不宜太大)
# 注意需要copy,不然原图会变。。。
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
cv_show('res',res)

仔细看它把10个(内外)轮廓都画出来了,这与我们传入的参数 -1 有关。

当然我们也可以选择其中某个:

draw_img = img.copy()
# 三角的外轮廓
res = cv2.drawContours(draw_img, contours, 0, (0, 0, 255), 2)
cv_show('res',res)
draw_img = img.copy()
# 三角的内轮廓
res = cv2.drawContours(draw_img, contours, 1, (0, 0, 255), 2)
cv_show('res',res)
draw_img = img.copy()
# 六边形外轮廓
res = cv2.drawContours(draw_img, contours, 2, (0, 0, 255), 2)
cv_show('res',res)

2.3 轮廓特征

这里就介绍个周长和面积吧,后面用到别的再说。

cnt = contours[0] # 第0个轮廓 三角的外轮廓
#周长,True表示轮廓是闭合的
cv2.arcLength(cnt,True) # 8500.5
#面积 
cv2.contourArea(cnt) # 437.9482651948929

2.4 轮廓近似

什么是轮廓近似呢,比如下图左侧图案很麻烦,我们可以把它近似看成右边的,就是轮廓近似。

这个的原理其实也很简单,我发挥我的绘画功能给你们展示一下:

把曲线AB近似成直线AB,至于要d<T(阈值)即可。

我们近似一下下图:

边缘绘制:

img = cv2.imread('contours2.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
 
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
 
draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show('res',res)

epsilon = 0.02*cv2.arcLength(cnt,True) # 周长百分比 0.02
 
# 参数:轮廓  阈值,一般用周长百分比
# 返回:轮廓
approx = cv2.approxPolyDP(cnt,epsilon,True) 
 
draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show('res',res)

approx = cv2.approxPolyDP(cnt,epsilon,True) 

把阈值变大一点:

epsilon = 0.1*cv2.arcLength(cnt,True) 
approx = cv2.approxPolyDP(cnt,epsilon,True)
 
draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show('res',res)

2.5 外接图形

img = cv2.imread('contours.png')
 
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# binary, 
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
 
# 外接矩形 得到x,y,w,h就能把矩形画出来了
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show('img',img)

x,y,w,h = cv2.boundingRect(cnt) 

三、图像金字塔

3.1 高斯金字塔 

高斯金字塔:向下采样(缩小)

上面金字塔最底层44 往上一层变成22 长宽变为原来一半面积变为原来1/4,去除所有偶数行和列就是为了这一操作。

高斯金字塔:向上采样(扩大)

用0填充后,用卷积核把那几个值分布在0上,获得近似值。

img=cv2.imread("./data/gd01.jpg")
cv_show('img',img)
 
up=cv2.pyrUp(img)
cv_show('up',up)
 
up2=cv2.pyrUp(up)
cv_show('up2',up2)
 
down=cv2.pyrDown(img)
cv_show('down',down)

上面其实就是图片的放大与缩小。

下面要注意,缩小放大后的图片会变得模糊,毕竟之前我们是用0填充,卷积核计算获得的近似值。

# 先扩大后缩小后,由于当时是用0填充的,会损失信息。
up=cv2.pyrUp(img)
up_down=cv2.pyrDown(up)
 
# 显然变得模糊了
cv_show('up_down',np.hstack((img,up_down)))

明显右边模糊了,我们把两张图片做个差值:

# 做差就能看出区别
up=cv2.pyrUp(img)
up_down=cv2.pyrDown(up)
cv_show('img-up_down',img-up_down)

这就是不同的部分。

3.2 拉普拉斯金字塔

和上面最后缩小放大后的图片一样,拉普拉斯这个每一层都是 原始-缩小(放大了的图片) 第二层用第一层的结果去减了。

down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show('l_1',l_1)

四、直方图

4.1 像素直方图绘制 

左侧灰度图像素点 右侧像素点直方图

cv2.calcHist(images,channels,mask,histSize,ranges)

img = cv2.imread('./data/gd01.jpg',0) #0表示灰度图
hist = cv2.calcHist([img],[0],None,[256],[0,256])
plt.hist(img.ravel(),256); 
plt.show()

img = cv2.imread('./data/gd01.jpg') 
color = ('b','g','r')
for i,col in enumerate(color): 
    histr = cv2.calcHist([img],[i],None,[256],[0,256]) 
    plt.plot(histr,color = col) 
    plt.xlim([0,256]) 

mask操作

我们取一小块区域,然后获得图片中这一块区域的图像

# 创建mast
mask = np.zeros(img.shape[:2], np.uint8)
print (mask.shape)
mask[100:300, 100:400] = 255
cv_show('mask',mask)

masked_img = cv2.bitwise_and(img, img, mask=mask)#与操作
cv_show('masked_img',masked_img)

hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])
 
plt.subplot(221), plt.imshow(img, 'gray')
plt.subplot(222), plt.imshow(mask, 'gray')
plt.subplot(223), plt.imshow(masked_img, 'gray')
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
plt.xlim([0, 256])
plt.show()

4.2 直方图均衡化

如上图,像素点都集中在一个地方,我们在不破坏其特征的前提下让高瘦的分布变得矮胖一点,亮度什么的也就都会发生些变化。

注:这里的映射是  累积概率*取值范围(255-0)

img = cv2.imread('./data/gd01.jpg',0) #0表示灰度图 #clahe
plt.hist(img.ravel(),256); 
plt.show()

equ = cv2.equalizeHist(img) 
plt.hist(equ.ravel(),256)
plt.show()

res = np.hstack((img,equ))
cv_show('res',res)

图片比之前亮一些了。

4.3 自适应直方图均衡化

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) 
 
res_clahe = clahe.apply(img)
res = np.hstack((img,equ,res_clahe))
cv_show('res',res)

五、傅里叶变换

我们生活在时间的世界中,早上7:00起来吃早饭,8:00去挤地铁,9:00开始上班... 

以时间为参照就是时域分析,但是在频域中一切都是静止的!

傅里叶变换的作用

滤波

opencv中主要就是cv2.dft()和cv2.idft(),输入图像需要先转换成np.float32 格式

得到的结果中频率为0的部分会在左上角,通常要转换到中心位置,通过shift变换。

cv2.dft()返回的结果是双通的(实部,虚部),通常还需要转换成图像格式才能展示(0,255)。

import numpy as np
import cv2
from matplotlib import pyplot as plt
 
img = cv2.imread('./data/gd06.jpg',0)
 
img_float32 = np.float32(img)
 
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
 
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
 
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

img = cv2.imread('./data/gd06.jpg',0)
 
img_float32 = np.float32(img)
 
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
 
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2)     # 中心位置
 
# 低通滤波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
 
# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
 
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
 
plt.show()      

img = cv2.imread('./data/gd06.jpg',0)
 
img_float32 = np.float32(img)
 
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
 
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2)     # 中心位置
 
# 高通滤波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0
 
# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
 
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
 
plt.show()    

六、模板匹配

模板匹配和卷积原理很像,模板在原图像上从原点开始滑动,计算模板与(图像被模板覆盖的地方)的差别程度,这个差别程度的计算方法在opencv里有6种,然后将每次计算的结果放入一个矩阵里,作为结果输出。

假如原图形是AxB大小,而模板是axb大小,则输出结果的矩阵是(A-a+1)x(B-b+1)

img = cv2.imread('./data/gd04.jpg', 0)
template = cv2.imread('./data/gd_face.jpg', 0)
h, w = template.shape[:2] 

它们的关系就是(A-a+1)x(B-b+1)

res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF) 

methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
           'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
 
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
# res.shape 为(139, 458)
 
# 最小值最大值及其坐标位置 因为用的cv2.TM_SQDIFF 所以越小越好
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) 

比如我要用到的图像和脸:

for meth in methods:
    img2 = img.copy()
 
    # 匹配方法的真值
    method = eval(meth)
    print (method)
    res = cv2.matchTemplate(img, template, method)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
 
    # 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED,取最小值
    if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    bottom_right = (top_left[0] + w, top_left[1] + h)
 
    # 画矩形
    cv2.rectangle(img2, top_left, bottom_right, 255, 2)
 
    plt.subplot(121), plt.imshow(res, cmap='gray')
    plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
    plt.subplot(122), plt.imshow(img2, cmap='gray')
    plt.xticks([]), plt.yticks([])
    plt.suptitle(meth)
    plt.show()

匹配多个对象

能匹配一个当然也能匹配多个:

img_rgb = cv2.imread('./data/mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('./data/mario_coin.jpg', 0)
h, w = template.shape[:2]
 
res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于%80的坐标
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  # *号表示可选参数
    bottom_right = (pt[0] + w, pt[1] + h)
    cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)
 
cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)

匹配金币:

总结

加载全部内容

相关教程
猜你喜欢
用户评论